1 / 7

Нейронные сети . Классификатор.

Нейронные сети . Классификатор. Рисунок 1. Математическая модель нейрона. Основные понятия. X –Входы, группа синапсов W- Вес синаптической связи S - Текущее состояние нейрона, определяется взвешенная сумма его входов Y- Выход нейрона, определяется функцией активации F(S).

hammer
Download Presentation

Нейронные сети . Классификатор.

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Нейронные сети.Классификатор.

  2. Рисунок 1. Математическая модель нейрона Основные понятия X –Входы, группа синапсов W-Вес синаптической связи S-Текущее состояние нейрона, определяется взвешенная сумма его входов Y-Выход нейрона, определяется функцией активации F(S) Рисунок 2. Функция активации

  3. Постановка Задачи На базе программно-аппаратного комплекса OpenTS-СКИФпостроить нейронную сеть – классификатор. Сеть распознает представленные ей образы, например графические файлы с изображением цифр. 1 2 3

  4. Рисунок 3. Однослойный персептрон Реализация Гранула параллелизма Гранула параллелизма группа из Np нейронов Np=N/Nproc, где N-общее количество нейронов Nproc – количество процессоров в системе

  5. Проблемы реализации и их решение • Проблемы: • Большой объем передачи данных • Малая вычислительная сложность гранул параллелизма • Решение: • 1.1. Первоначальная загрузка весовых коэффициентов • 1.2. Выбор размерности типа данных изображения • 2.1. Выделение гранул параллелизма с большим количеством нейронов • 2.2. Выбор функции активации (если требуется)

  6. Результаты Вычислительная сложность: jMax –количество аксонов (входов) jMax –количество нейронов (выходов) Ncpu –количество процессоров N –количество нейронов в грануле параллелизма Последовательный вариант: Количество вычислительных операций: сложение iMax*jMax умножение iMax*jMax функция активации iMax*jMax время выполнение операции:V Итого: 3*V* iMax*jMax Параллельный вариант: Количество вычислительных операций: сложение iMax*N умножение iMax*N функция активации iMax*N время выполнение операции:V Количество операций пересылки данных: iMax+N+iMax*N время выполнение операции:10V Итого: 3*V*iMax*N+10V(iMax+N+iMax*N)

  7. Результаты Расчетная вычислительная сложность: jMax –количество аксонов (входов) 100 jMax –количество нейронов (выходов) 1000 Ncpu –количество процессоров 10 Последовательный вариант: Время выполнения 400 000 тактов Параллельный вариант: Время выполнения с загрузкой весовых коэфицентов 95 000 Увеличение скорости в 4.21 Время выполнения без загрузки весовых коэфицентов 1250 Увеличение скорости в 8

More Related